تكشف معالجات NVIDIA H100 عن أنماط استهلاك طاقة مفاجئة تتقلب بشدة كل عُشر ثانية أثناء تشغيل نماذج الذكاء الاصطناعي التوليدي، وفقاً لدراسة جديدة من المختبر الوطني للجبال الصخرية في كولورادو. هذه القياسات عالية الدقة تهدم الافتراضات السائدة حول التخطيط لمراكز البيانات وتضع المطورين أمام تحدٍ جديد كلياً.
فريق البحث قاد تجارب مكثفة باستخدام معايير MLCommons لقياس التدريب والضبط الدقيق، ومعايير vLLM للاستنتاج، وسجّل قراءات الطاقة بدقة 0.1 ثانية – وهي دقة لم تحققها الدراسات السابقة. النتيجة صادمة: استهلاك الطاقة ليس ثابتاً كما تشير التقديرات النظرية، بل يظهر تقلبات زمنية حادة مرتبطة بطبيعة العمليات الحاسوبية وسلوك المستخدمين.
المشكلة الأساسية أن شركات التكنولوجيا الكبرى تحتفظ ببيانات استهلاك الطاقة الحقيقية كأسرار تجارية، وتنشر فقط متوسطات عامة بدقة منخفضة. هذا النقص في البيانات يجعل مخططي البنية التحتية يعتمدون على تقديرات خاطئة، مما يؤدي إلى تصميم أنظمة طاقة غير مناسبة لطبيعة أحمال العمل الحقيقية.
- تقلبات طاقة جذرية: القياسات تكشف أن استهلاك الطاقة يتغير بشكل كبير خلال فترات قصيرة جداً، مما يتطلب أنظمة طاقة قادرة على الاستجابة السريعة للتغيرات المفاجئة في الطلب.
- نموذج طاقة مدفوع بالأحداث: تطوير منهجية جديدة تحول قياسات أحمال العمل الفردية إلى توقعات طاقة شاملة على مستوى المنشأة بالكامل، مما يساعد في التخطيط الدقيق للبنية التحتية.
- معايير موحدة للقياس: استخدام معايير MLCommons و vLLM يضمن قابلية تكرار النتائج ومقارنتها عبر بيئات مختلفة، مما يساهم في بناء قاعدة معرفية موثوقة للصناعة.
- بيانات مفتوحة للجمهور: نشر مجموعة البيانات الكاملة لملفات استهلاك الطاقة علناً، مما يمكّن الباحثين والمطورين من تحليل الأنماط وتطوير حلول مبتكرة.
- تطبيقات واسعة النطاق: النتائج تدعم التخطيط لاتصال مراكز البيانات بالشبكات الكهربائية، وتصميم أنظمة توليد الطاقة الموقعية، وتطوير الشبكات الصغيرة الموزعة.
هذه النتائج تضع المطورين ومخططي المشاريع في المنطقة العربية أمام تحدٍ حقيقي. مشاريع الذكاء الاصطناعي الطموحة في السعودية والإمارات ومصر تحتاج إلى إعادة تقييم استراتيجيات الطاقة بناءً على هذه البيانات الجديدة. التقلبات الحادة في استهلاك الطاقة تتطلب استثمارات إضافية في أنظمة التحكم الذكية وحلول التخزين المتقدمة.
الجانب الأكثر إثارة للاهتمام أن الدراسة تكشف عن تأثير السلوك البشري على أنماط استهلاك الطاقة. عمليات الاستنتاج التفاعلية تُظهر أنماط استهلاك مختلفة عن التدريب المُجدول، مما يعني أن تصميم مراكز البيانات يجب أن يأخذ في الاعتبار التنوع في أنواع أحمال العمل وأوقات الذروة المختلفة.
التحدي الأكبر أن هذه البيانات تُظهر أن الحلول التقليدية لإدارة الطاقة في مراكز البيانات قد لا تكون كافية. مطلوب تطوير أنظمة ذكية قادرة على التنبؤ بالتقلبات والاستجابة لها في الوقت الفعلي، مما يفتح فرصاً جديدة أمام شركات تطوير حلول الطاقة المتخصصة في الذكاء الاصطناعي.
